[发明专利]一种服务质量评估模型的训练方法及装置

权利要求书

1.一种服务质量评估模型的训练方法，其特征在于，应用于模型训练节点，所述方法包括：

按照固定周期采集服务节点的机器性能数据、网络特征数据以及质量监控数据；

基于所述机器性能数据以及所述网络特征数据确定特征值；

基于服务质量评估模型所适用的业务类型确定服务质量的评估指标；

利用所述质量监控数据计算所述评估指标的数值，并将所述评估指标的数值确定为标签；

利用所述特征值以及所述标签建立训练集和验证集；

利用所述训练集训练深度神经网络模型，将所述验证集的特征值输入训练之后的模型，得到输出结果；

确定所述输出结果与所述验证集的标签之间的误差；

如果所述误差不符合要求，则调整超参数，重新训练调整之后的模型，得到服务质量评估模型。

2.根据权利要求1所述的方法，其特征在于，每个所述服务质量评估模型适用于一种业务类型的质量评估；

相应的，按照固定周期采集服务节点的质量监控数据，包括：

按照固定周期采集服务节点中一种或多种应用服务对应的质量监控数据，所述一种或多种应用服务属于所述服务质量评估模型所适用的业务类型。

3.根据权利要求1所述的方法，其特征在于，所述机器性能数据包括cpu利用率、内存剩余量、负载、iowait值以及ioutil值；所述网络特征数据包括ping数据、poll数据以及下载速率。

4.根据权利要求1所述的方法，其特征在于，所述方法还包括：

监控节点周期性地向所述服务节点发送检测信号，并得到网络特征数据；

相应的，所述按照固定周期采集服务节点的网络特征数据的步骤，包括：

按照固定周期从所述监控节点中采集服务节点的网络特征数据。

5.根据权利要求1所述的方法，其特征在于，基于所述机器性能数据以及所述网络特征数据确定特征值之前，包括：

删除所述机器性能数据、所述网络特征数据以及所述质量监控数据中有重复时间戳的数据；

将所述机器性能数据、所述网络特征数据以及所述质量监控数据中的空值和异常值替换为正常值，或者删除所述空值和异常值。

6.根据权利要求5所述的方法，其特征在于，将所述机器性能数据、所述网络特征数据以及所述质量监控数据中的异常值替换为正常值的步骤包括：

使用聚类算法或者数据标准化后设置置信区间方式，筛选所述机器性能数据、所述网络特征数据以及所述质量监控数据中的空值和异常值；

使用k-NN方法或者相邻采集周期采集到的数据替换所述异常值。

7.根据权利要求3所述的方法，其特征在于，

所述机器性能数据的特征值包括各维度机器性能数据的均值、极大值或者方差中的一种或多种；

所述网络特征数据的特征值包括各维度网络特征数据的至少一个预设分位值。

8.根据权利要求1所述的方法，其特征在于，所述深度神经网络模型为LSTM神经网络模型。